• Nenhum resultado encontrado

Avaliação de opções americanas via simulação de Monte Carlo

N/A
N/A
Protected

Academic year: 2021

Share "Avaliação de opções americanas via simulação de Monte Carlo"

Copied!
63
0
0

Texto

(1)

Instituto Superior de Ciências do Trabalho e da Empresa

Faculdade de Ciências da Universidade de Lisboa

Departamento de Finanças do ISCTE

Departamento de Matemática da FCUL

AVALIACÃO DE OPCÕES AMERICANAS VIA

SIMULAÇÃO DE MONTE CARLO

Maria Madalena Rodrigues Ribeiro

Mestrado em Matemática Financeira

(2)
(3)

Instituto Superior de Ciências do Trabalho e da Empresa

Faculdade de Ciências da Universidade de Lisboa

Departamento de Finanças do ISCTE

Departamento de Matemática da FCUL

AVALIACÃO DE OPCÕES AMERICANAS VIA

SIMULAÇÃO DE MONTE CARLO

Maria Madalena Rodrigues Ribeiro

Dissertação orientada pelo Professor Doutor João Pedro Vidal Nunes

(4)
(5)

i

Resumo

Esta tese foca-se no estudo da avaliação de opções americanas via método dos mínimos quadrados de Monte Carlo [Least Square Monte Carlo (LSM)] de Longstaff-Schwartz (2001), que consiste na avaliação de opções americanas através de simulações e de regressões simples.

Para efectuar o estudo implementou-se o algoritmo do referido método, em MatLab. Para um estudo mais aprofundado e comparativo, implementou-se o método utilizando diversos modelos, nomeadamente o modelo CEV, o modelo JDCEV e também o Geometric Brownian Motion (GBM).

Comparou-se os diversos resultados estudando assim a adequabilidade dos diferentes modelos na avaliação deste tipo de opções.

Foi efectuada uma outra comparação para o Geometric Brownian Motion: foram consideradas, neste processo, funções básicas diferentes, que foram utilizadas na regressão do método LSM, pretendendo assim analisar qual a melhor forma de avaliar as referidas opções.

Palavras-chave: Opções Americanas, Monte Carlo, Modelo CEV, Modelo JDCEV,

(6)
(7)

iii

Abstract

The present thesis focuses on the study of American options using the Longstaff-Schwartz (2001) Least Square Monte Carlo (LSM) method, which involves simulations and simple regressions. To elaborate the study the algorithm of the above mentioned method was implemented in Matlab. The valuation method was implemented under different models namely the Constant Elasticity of Variance (CEV), the Jump-to-Default extended CEV (JDCEV) model, and the Geometric Brownian Motion (GBM). A different kind of comparison was performed for the Geometric Brownian Motion: different basic functions were considered for the LSM method regression, with the purpose of finding the best method to evaluate the mentioned options.

Key-words: American Options, Monte Carlo, CEV Model, JDCEV Model, Geometric

(8)
(9)

v

Agradecimentos

Ao Professor João Pedro Nunes pela orientação, apoio prestado e disponibilidade que sempre demonstrou ao longo da elaboração desta tese, aqui ficam os meus mais sinceros agradecimentos. Agradeço, também, a forma entusiasmante como lecciona as suas disciplinas pois foi condição essencial para estar hoje aqui.

À Professora Isabel Simão pelo entusiasmo que colocou na transmissão dos conhecimentos que me levou a realizar este mestrado.

Aos meus colegas de mestrado, Davide e Lúcia, agradeço o apoio, a boa disposição, amizade e companheirismo ao longo de todo o mestrado.

Agradeço à minha directora, Dr.ª Isabel Cortinhas, o apoio, compreensão e estimulo que sempre me deu na minha condição de estudante.

Aos meus colegas, especialmente à Helena, Sofia, Sónia e Rui o apoio e a força que me deram durante o meu percurso académico.

À minha mãe, irmão e aos meus amigos, Paula, Isabel e Filipe, que sempre me incentivaram, por estarem presentes e partilharem este momento comigo. Muito obrigada por todo o apoio e compreensão.

(10)
(11)

vii

Conteúdo

1. Introdução ... 1

2. Opções Americanas ... 3

3. Método de Simulação de Monte Carlo ... 5

3.1. Avaliação de Opções via método de Monte Carlo ... 5

3.2. Discretização do processo estocástico seguido pelo activo subjacente ... 6

4. Modelos para avaliação de Opções Americanas ... 9

4.1. Geometric Brownian Motion (GBM) ... 9

4.2. Modelo CEV ... 11

4.3. Modelo JDCEV ... 12

5. Discretização de Euler ... 15

6. Avaliação de Opções Americanas com Método dos Mínimos Quadrados de Monte Carlo (LSM) ... 19

7. Resultados e Conclusão ... 27

7.1. Geometric Brownian Motion (GBM) ... 27

7.2. Modelo CEV ... 31

7.3. Modelo JDCEV ... 33

Anexo 1 – Exemplo do Algoritmo LSM... 37

Anexo 2 – Implementação do algoritmo para o GBM ... 43

Anexo 3 – Implementação do algorimtmo para o modelo CEV ... 47

Anexo 4 – Implementação do algorimtmo para o modelo JDCEV ... 49

(12)
(13)

1

1. Introdução

O objectivo desta tese é avaliar as opções americanas pelo método dos mínimos quadrados de Monte Carlo [Least Square Monte Carlo (LSM)] de Longstaff-Schwartz (2001).

Na teoria de finanças uma das finalidades mais importantes é o de apurar o preço justo dos activos.

As opções americanas caracterizam-se pelo facto do seu exercício poder ocorrer a qualquer instante t, antes da data de maturidade T . Logo, uma das maiores dificuldades é encontrar a data em que o detentor da opção terá maior benefício ao exercer a opção americana.

Apesar dos recentes avanços, a avaliação e exercício óptimo das opções americanas é um dos problemas que apresenta um maior desafio em derivados financeiros, particularmente quando são afectados por mais do que um factor.

Este trabalho tem como base a avaliação de opções americanas com apenas um factor.

Uma nova ferramenta desenvolvida por Longstaff e Schwartz (2001) para efectuar esta avaliação é o método dos mínimos quadrados de Monte Carlo (LSM), que consiste na avaliação de opções americanas através de simulações e de regressões simples.

Por definição, a simulação é um processo forward, enquanto a decisão de exercício da opção é um processo backward. A grande contribuição deste método é desenvolver um algoritmo que permite integrar simulações e regressões para definir o exercício óptimo da opção.

O método LSM revela-se uma alternativa promissora frente às tradicionais técnicas de diferenças finitas e árvores binomiais. A intuição que está por trás do método é a da programação dinâmica: a cada instante anterior à data de vencimento de uma opção americana, o proprietário desta opção compara o payoff do exercício antecipado com o seu valor de continuação, para assim tomar uma decisão óptima. A estratégia de

(14)

2

exercício óptimo de uma opção americana é determinada, fundamentalmente, pela função da esperança condicionada do seu valor de continuação. A grande contribuição dos autores foi identificar que a função da esperança condicionada pode ser estimada na simulação usando o método dos mínimos quadrados. Esta técnica é definida, pelos autores, como método dos mínimos quadrados de Monte Carlo (LSM). O método pode ser utilizado na avaliação de opções que dependem de múltiplos factores; derivados com características de opções americanas e dependentes do caminho (path dependent options); e opções cujas variáveis de estado seguem um processo estocástico qualquer (jump diffusion, por exemplo), ou um processo não-Markoviano.

O objectivo do algoritmo LSM é fornecer uma aproximação para a regra de exercício óptimo que maximiza o valor de uma opção americana (Longstaff & Schwartz, 2001).

Este trabalho faz uma abordagem teórica, nos três primeiros capítulos, sobre opções americanas, o método de simulação de Monte Carlo e os modelos em estudo: Gometric Brownian Motion, CEV e JDCEV.

No 5º capítulo faz-se a discretização dos modelos CEV e JDCEV utilizando para tal a discretização de Euler (Glasserman, 2004). O desenvolvimento e análise do processo avaliaçãod das opções americanas pelo método dos mínimos quadrados de Monte Carlo [Least Square Monte Carlo (LSM)], (Longstaff & Schwartz, 2001), é feito no 6º capítulo.

Por fim, o 7º capítulo apresenta os resultados obtidos após a implementação do método de avaliação das opções americanas de venda (put) com base no método de Monte Carlo estudado e as conclusões do mesmo.

(15)

3

2. Opções Americanas

Uma Opção americana é um derivado cujo exercício pode ocorrer a qualquer instante t, antes da data de maturidade T, sendo o payoff terminal igual ao valor intrínseco da opção no momento em que é exercida (isto nos casos de liquidação financeira). Uma opção americana dá ao seu titular o direito de comprar (call) ou de vender (put) uma unidade do activo subjacente (ex. acção) em qualquer altura t entre a data inicial e data da maturidade, T.

O payoff terminal para o titular da opção no instante é dado por:

a) , no caso de uma call (compra), com ; ou

b) , no caso de uma put (venda), com ,

onde é o preço do activo no momento e é o preço do exercício (também denominado por strike).

O valor da opção americana é o valor alcançado quando a mesma é exercida no tempo óptimo. Encontrar estes valores implica encontrar a regra de exercício óptimo, isto é, resolver um problema de paragem óptimo e calcular o valor esperado do payoff descontado da opção com esta regra. O problema incorporado de optimização faz com que seja um problema difícil de simular. Assim as opções americanas são um exemplo de problemas de tempo de paragem óptimo.

Sem uma data de exercício prevista, torna-se muito mais difícil avaliar estas opções. O titular de uma opção americana enfrenta o dilema de decidir quando, ou mesmo se deverá, exercer a opção. Se, no tempo t, a opção estiver out-of-the-money, então claramente não é a melhor altura para exercer. Contudo, se a opção estiver in-the-money, pode ser benéfico esperar até mais tarde onde o payoff poderá ser ainda maior.

Face ao problema apresentado para as opções americanas e não existindo soluções imediatas de fórmulas fechadas para estas opções, utilizou-se o método Monte Carlo para efectuar a avaliação das mesmas.

Esta tese vai-se debruçar sobre a avaliação de opções americanas de venda (put). Esta escolha justifica-se em seguida.

(16)

4

Para uma opção americana de compra (call), sem dividendos, não é óptimo exercer antes da data da maturidade, logo uma call americana deve ter o mesmo valor que uma call europeia. Portanto, nunca é óptimo exercer uma call americana antes da data do termo, no entanto o mesmo não se verifica para uma put americana. Logo, é válido escolher a análise das put das opções americanas.

(17)

5

3. Método de Simulação de Monte Carlo

O método de Monte Carlo (MMC) é um método estatístico utilizado em simulações estocásticas como forma de obter aproximações numéricas de funções complexas. Este método envolve, tipicamente, a geração de observações de alguma distribuição de probabilidades e o uso da amostra obtida para aproximar a função de interesse. Para resolver um problema através do método de Monte Carlo, é utilizada uma série de simulações aleatórias. A precisão do resultado final depende, em geral, do número de simulações. Esse equilíbrio, entre a precisão do resultado e o tempo de computação, é uma característica extremamente útil dos métodos de Monte Carlo. O Método de Monte Carlo fornece uma estimativa de uma função, simulando de forma aleatória, e para um grande número de tempos, um caminho para a variável independente (neste caso o preço do activo subjacente). Em cada simulação, e baseado no caminho simulado, o valor da função é calculado. A estimativa final da função é, simplesmente, a média aritmética dos valores da função calculados em cada simulação. Se o número de simulações for suficientemente grande, então o valor estimado para a função deverá ter um erro pequeno, isto é, obtém-se um resultado com maior precisão.

O Método de Monte Carlo pode ser aplicado à avaliação de opções Europeias e Americanas, Barreiras, Lookbacks e Asiáticas.

3.1. Avaliação de Opções via método de Monte

Carlo

Em primeiro lugar, é necessário dividir a maturidade da opção em intervalos discretos com dimensão:

n n t T t  

O número de time-steps ( ) a considerar depende da frequência da monitorização do preço spot do activo. Por exemplo, para avaliar uma opção com uma monitorização mensal, é necessário dividir a vida da opção, pelo menos em intervalos (time-steps) mensais.

(18)

6

3.2. Discretização do processo estocástico seguido

pelo activo subjacente

Por forma a avaliar, em cada simulação, o preço spot subjacente em cada time-step, até à maturidade, é necessário converter a equação diferencial estocástica, seguida pelo preço do activo subjacente, numa equação diferencial discreta.

Assumindo que o activo subjacente segue um movimento Geométrico Browniano, podemos escrever a seguinte equação:

(3.1) ,

onde é a taxa de juro; é a dividend-yield e a volatilidade. é um movimento Browniano e . Usando a primeira aproximação de Euler, o preço subjacente pode ser avaliado desde a data de avaliação (t) e até à maturidade (T) através da seguinte relação recursiva:

(3.2) ,

onde , e onde representa um apuramento aleatório de uma variável aleatória normal univariada.

Inicia-se o processo, desde o preço actual do activo, para simular (num grande número de intervalos de tempo) os caminhos até à maturidade, usando a equação (3.2).

No final de cada simulação, , onde m representa o número de simulações a executar, calcula-se o valor do payoff terminal da opção:

A estimativa de Monte Carlo para o valor da opção, , é igual à média aritmética de todos os payoffs terminais, simulados e descontados para o momento presente:

(19)

7

É também importante conhecer a precisão da estimativa de Monte Carlo obtida para o valor da opção, calculado pelo ponto anterior. Para tal, calcula-se o seguinte Desvio Padrão: (3.4) onde , e (3.5) .

O número de simulações a utilizar pode ser definido como o valor tal que:

(3.6) ,

(20)
(21)

9

4. Modelos para avaliação de Opções Americanas

Neste capítulo, vai-se fazer uma abordagem teórica a três modelos para avaliar opções americanas com um único factor: o Geometric Brownian Motion, o modelo CEV e o modelo JDCEV.

4.1. Geometric Brownian Motion (GBM)

Para calcular o valor presente dos payoffs referidos no capítulo 1 multiplica-se o valor obtido pelo factor desconto , sendo a taxa de juro sem risco.

O valor esperado do valor actual da opção é dado por:

.

Para que esta esperança tenha significado, é necessário especificar a distribuição da variável aleatória , ou seja, o preço da opção em .

Considera-se então que a evolução do preço das acções é definida através da seguinte equação diferencial estocástica:

(4.1) ,

onde a taxa de juro; a dividend-yield e a volatilidade, são constantes. é um movimento Browniano. Define-se .

Usando o lema de Itô tem-se:

(22)

10 Obtendo-se, então, a seguinte equação:

De seguida, integra-se a equação anterior entre 0 e :

Obtém-se, assim, a solução explícita do processo GBM:

(4.2)

Com a equação (4.2) tem-se a expressão necessária para simular os preços do activo, podendo-se, assim, avaliar opções americanas utilizando o método de Monte Carlo.

(23)

11

4.2. Modelo CEV

O modelo CEV (Constant Elasticity of Variance) assume o seguinte processo de difusão para o activo subjacente ( ), sob a medida neutra ao risco :

(4.3) ,

isto é

(4.4) ,

onde é a taxa de juro e a dividend yield, enquanto são parâmetros adicionais do modelo. A filtração do modelo é gerada por um movimento Browniano , que se assume ter inicio em zero e está definido sob uma medida de martingala .

Dada a equação anterior, tem-se que a variância instantânea da rentabilidade das acções é igual a:

(4.5)

Se , a variância instantânea da rentabilidade das acções está inversamente relacionada com o preço do activo. Ou seja, a referida variância diminuirá (aumentará) quando o preço das acções desce (sobe), uma vez que a acção tornar-se-á mais (menos) arriscada com o aumento (diminuição) do nível de endividamento da instituição financeira.

Se , está-se perante o Geometric Brownian Motion, já descrito neste trabalho. Para implementar este modelo vai-se utilizar a Discretização de Euler.

(24)

12

4.3. Modelo JDCEV

O modelo Jump-to-default extended constant elasticity of variance (JDCEV) é uma extensão do processo CEV onde a intensity default é uma função linear da variância instantânea da acção. O processo JDCEV modela os preços das acções.

Seja um espaço de probabilidade, com um movimento Browniano e com uma variável aleatória com distribuição exponencial independente de . (Carr & Linetsky, 2006)

O modelo assume o seguinte processo de difusão para o activo subjacente ( ), sob a medida neutra ao risco :

(4.6)

onde: é a taxa de juro sem risco, dependente do tempo; é a dividend-yield, dependente do tempo; é a volatilidade, que depende do tempo e do estado e é o padrão de intensidade que, também, depende do tempo e do estado.

Este modelo de avaliação pode seguir um processo de difusão, descrito pela Equação Diferencial Estocástica (EDE) em (4.6), ou saltar para zero (jump to default). No primeiro caso, a falência ocorre no primeiro tempo de passagem do preço da acção por zero:

Alternativamente, o preço da acção pode saltar para zero sempre que o processo

é maior ou igual ao nível criado pela variável aleatória exponencial independente de e com média unitária de um processo doubly stochastic Poisson com intensidade , ou seja:

(25)

13

Portanto, o primeiro tempo de passagem por zero é simplesmente dado por:

Vai-se agora definir as funções de intensity default, , e de volatilidade instantânea, , da EDE em (4.6).

De acordo com Carr e Linetsky (2006), de forma a ser consistente com o leverage effect, especifica-se a volatilidade instantânea como a do processo CEV:

(4.7)

onde é o parâmetro de elasticidade da volatilidade e é uma função determinística de escala da volatilidade.

Para ser consistente com a evidência empírica duma relação positiva entre a probabilidade de falência e a volatilidade da acção, assume-se que a intensidade, de falência (intensity default), é uma função linear crescente da variância instantânea do activo subjacente (Carr & Linetsky, 2006) e (Nunes, 2009):

(4.8) ,

onde , e é uma função determinística do tempo. Portanto, substituindo na equação (4.6) tem-se:

(26)

14

Para implementar este modelo é necessário discretizar o processo doubly stochastic Poisson, assim como a EDE definida em (4.9).

Assim, para o processo doubly stochastic Poisson vai-se utilizar a seguinte aproximação (Bouzas, Valderrama, Aguilera e Ruiz-Fuentes, 2005):

Define-se .

De seguida faz-se a seguinte aproximação:

(4.10) ,

onde é calculado através da equação definida em (4.8) e , sendo o número de time-steps.

Para a variável aleatória exponencial independente de , com média unitária, vai-se gerar números aleatórios com distribuição exponencial.

Em relação à EDE definida pela expressão (4.9), e à semelhança do modelo CEV, para implementar este modelo vai-se utilizar a Discretização de Euler, a descrever no capítulo seguinte.

(27)

15

5. Discretização de Euler

Tendo por objectivo simular a evolução do preço do activo subjacente ao longo do tempo, sob os pressupostos dos modelos CEV e JDCEV, recorreu-se à discretização de Euler da respectiva EDE. Este tipo de discretização é bastante utilizada em situações em que não é possível, ou muito complicado, encontrar a solução da EDE.

Suponhamos que a evolução do preço do activo subjacente é descrita através do seguinte modelo:

(5.1) ,

onde designa o preço do subjacente no instante inicial, supondo-se mensurável. designa um movimento Browniano de valor médio zero e variância t. Assume-se que as funções e satisfazem as condições de existência e unicidade de uma solução forte para a EDE. De facto, é necessário impor condições fortes de forma a reduzir o erro na discretização.

Então, o preço do activo subjacente, no instante , é dado por:

(5.2)

com , e para , e onde , , …, são variáveis independentes, normais de dimensão m.

Podemos, pois particularizar a equação (5.1) para os modelos CEV e JDCEV, obtendo-se as obtendo-seguintes expressões para cada um dos modelos em questão:

(28)

16

Modelo CEV

Vai-se, então, aplicar a Discretização de Euler ao modelo CEV, que é definido pela seguinte EDE:

Assim, pode-se considerar que as funções e , são definidas da seguinte forma:

=

Substituindo na expressão (5.2) obtém-se a equação:

,

isto é,

(5.3)

Esta expressão pode, então, ser utilizada para simular os preços do activo, podendo assim implementar-se o método de Monte Carlo para avaliar opções americanas, usando o modelo CEV.

(29)

17

Modelo JDCEV

Também, para este modelo, vai-se aplicar a Discretização de Euler.

O modelo JDCEV, tal como referido anteriormente, é definido pela seguinte EDE:

sendo:

e

Para aplicar a discretização, deverá considerar-se que:

=

Substituindo na expressão (5.2) obtém-se a seguinte equação:

,

isto é,

Substituindo agora as expressões e , obtém-se:

(5.4)

Assim, obteve-se a expressão necessária para simular os preços do activo, num modelo JDCEV, podendo, então, implementar-se o método de Monte Carlo para avaliar opções americanas.

(30)
(31)

19

6. Avaliação de Opções Americanas com Método

dos Mínimos Quadrados de Monte Carlo (LSM)

O objectivo do algoritmo denominado Least Square Monte Carlo (LSM) de Longstaff e Schwartz (2001) é fornecer uma aproximação para a regra de exercício óptimo que maximiza o valor de uma opção americana.

O algoritmo LSM faz a simulação de trajectórias de preços usando o método de Monte Carlo, e efectua de seguida iterações backward, onde, em cada passo, efectua uma aproximação de mínimos quadrados (Least Square) da função de continuidade (função de esperança condicionada) sobre uma série de funções básicas.

Considere-se o espaço de probabilidade e o intervalo finito , onde, conforme descrito, o espaço é o conjunto de todas as possibilidades de realização da economia estocástica entre os tempos 0 e T, é a -álgebra de eventos em T, e P é a medida de probabilidade definida nos elementos de .

Segundo os autores, considera-se uma trajectória das simulações dos preços do activo subjacente, , geradas pelo método de Monte Carlo.

Denote-se por a trajectória dos cash flows gerados pela opção americana, na simulação e time-step , onde o titular da opção deverá seguir uma estratégia de exercício óptimo, que maximiza o valor da opção Americana para cada instante , com .

Portanto, , onde é o valor do strike e é o peço do activo subjacente gerado pelo método de Monte Carlo, para a trajectória e instante .

Em qualquer instante , anterior à data , o investidor deve escolher entre exercer imediatamente a opção, ou esperar até o instante para tomar uma nova decisão, e assim sucessivamente até exercer a opção.

Na data de vencimento da opção americana ( ), o investidor deverá exercer a opção se ela estiver in-the-money.

(32)

20

Para se poder tomar esta decisão de exercício da opção em determinado instante, maximizando o valor da mesma, é necessário conhecer o valor de continuação da mesma, assim é proposto a comparação entre o valor de exercício antecipado e o valor de continuação.

Esta comparação é realizada iterativamente de forma “backward”, uma vez que a trajectória dos cash flows ( ) gerados pela opção são definidos recursivamente; pode ser diferente de uma vez que pode ser óptimo parar no tempo , ou seja, pode ser óptimo exercer a opção em , alterando, assim, todos os cash flows subsequentes numa determinada trajectória .

Assim, em cada trajectória, , de cash flows, a opção será maximizada se for exercida quando o valor de exercício antecipado for superior ou igual ao valor de continuação.

Em , o valor de exercício antecipado é conhecido pelo investidor, mas o valor de continuação não é. A teoria de avaliação de activos sem arbitragem indica, porém, que o valor de continuação da opção é dado pelo valor esperado dos fluxos de caixa futuros descontados até , com base numa medida de probabilidade neutra ao risco.

Assim, o valor de continuação em , na simulação , que será definida como , poderá ser escrito pela seguinte fórmula:

(6.1)

onde denota a taxa de juro sem risco e o número máximo de simulações do preço do activo subjacente, geradas pelo método de Monte Carlo.

A aproximação LSM usa os mínimos quadrados para aproximar o valor de continuação da opção, , (função esperança condicionada), em … .

Uma vez estimada a função de esperança condicionada para , pode-se analisar se o exercício antecipado, neste instante, é óptimo através da comparação entre o valor de exercício antecipado e .

(33)

21

Ou seja, se então a estratégia óptima em é exercer a opção, caso contrário a estratégia óptima é avançar para o instante .

Esta comparação é feita, separadamente, em cada uma das simulações que estão in-the-money em , pois só quando a opção se encontra in-the-money é que é relevante tomar a decisão de a exercer ou não.

Feito isso, repete-se o procedimento para o instante e assim por diante, até chegarmos ao instante inicial. Altura em que as decisões de exercício óptimo em todas as simulações terão sido determinadas.

O valor da opção será igual à média dos cash flows provenientes do exercício óptimo em cada simulação, descontados até o instante inicial. A fórmula a seguir indica este procedimento:

(6.2) ,

onde:

 é a taxa de juro sem risco;

 é o número de trajectórias de preços simuladas;  data de exercício óptimo da opção na simulação ;

, é o cash flow gerado pelo exercício da opção no instante , na simulação .

(34)

22

Tal como referido, para implementar o método LSM, tem que se fazer uma aproximação de .

Uma proposta para a aproximação do valor de continuação, , que, como foi mencionado anteriormente, é desconhecido em , é considerar que o valor de continuação pode ser representado como uma combinação linear de um grupo de funções básicas . As funções básicas seguintes, são -mensuráveis e sendo S uma variável de estado e que segue um processo de Markov:

(6.3)

Assim, o valor de continuação , , pode ser escrito da seguinte forma:

(6.4) ,

onde os coeficientes são valores constantes.

De acordo com os autores, as funções básicas podem ser polinómios de Jacobi, de Chebyshev, funções exponenciais, potências, entre outras.

Neste trabalho utilizou-se numa das implementações para o Geometric Brownian Motion, os polinómios de Laguerre, descritos anteriormente.

(35)

23

O Algoritmo

Descreve-se seguidamente, o algoritmo que foi implementado em MatLab, através do qual foi possível avaliar opções americanas de venda, tal como foi proposto.

Inputs: Preço Inicial do activo ( ); Preço Exercício ( ); taxa de juro sem risco ( ); dividend yield ( ); volatilidade ( ); Maturidade ( ); número de simulações ( ); n.º de períodos em que o preço do activo é observado ( ); o modelo CEV tem ainda como inputs: ;

Output: Preço da Opção Americana

1. Gerar n trajectórias, usando as simulações de Monte Carlo. 2. For to 1 do

a. For cada do

i. Apurar as trajectórias que se encontram in-the-money.

ii. Estimar a função do valor de continuação no instante para a trajectória .

iii. O valor de exercício no instante para a trajectória é , para uma put, onde é o preço da opção, simulado em ao longo da trajectória .

iv. If then

A estratégia óptima em é exercer

Else

Não exercer em

End End

End

(36)

24

Para o modelo JDCEV, para além dos inputs anteriormente apresentados, inicialmente, terão que também ser definidos os valores de , , , b e c.

As outras alterações ao algoritmo, para implementar este modelo, reflectem-se no ponto 1., onde, para além da geração das trajectórias do preço do activo subjacente usando as simulações de Monte Carlo, vai-se, também gerar, variáveis aleatórias ( ) com distribuição exponencial de média 1.

Em seguida calculam-se os valores de com base na equação (4.8).

Calculam-se, agora, os valores da aproximação do processo Doubly Stochastic Poisson através da equação (4.10):

Após o apuramento dos valores de e , efectua-se a seguinte comparação:

If then else

Assim, está apurada uma matriz de preços possíveis do activo: .

Então, para avaliar a opção continua-se com o algoritmo definido sem mais alterações, a partir do ponto 2.

(37)

25

Resumindo:

O algoritmo LSM mostra-se uma ferramenta simples e elegante de aproximar a regra de exercício óptimo de uma opção do tipo americana. A estrutura do método LSM pode ser resumida nas seguintes etapas, como sugere o esquema:

Estrutura do método LSM

Simulações da Variável de Estado Valor do Exercício antecipado, da opção

Valor de Continuação (Regressão) -

Decisão do tempo óptimo de exercício

Valor da Opção De T a

(38)
(39)

27

7. Resultados e Conclusão

Efectua-se a análise dos resultados obtidos, após a implementação dos modelos descritos (GBM, CEV e JDCEV), através do método da simulação de Monte Carlo. Todos os modelos foram implementados em MatLab.

7.1. Geometric Brownian Motion (GBM)

Os resultados seguintes foram obtidos através da execução do algoritmo, em MatLab, que espelha o método LSM analisado anteriormente, para o Geometric Brownian Motion.

A tabela 7.1 apresenta os resultados, relativos aos preços de diferentes opões americanas de venda (put) onde foram considerados os seguintes parâmetros comuns:

 O preço Spot : = 100;

 A maturidade da opção: = 0,5 anos;

Na 1ª coluna estão identificados os valores da taxa de juro, da dividend yield e da volatilidade, para cada uma das opções.

Para este primeiro exemplo foram consideradas monitorizações diárias1, ou seja, = 180 e considerou-se 500.000 simulações ( ).

A segunda coluna apresenta os diferentes strikes em estudo.

O erro obtido foi calculado através da comparação entre os preços, isto é, entre o preço exacto e o preço simulado, tendo para tal sido foi utilizada a seguinte expressão:

(40)

28

O preço exacto das opções, em qualquer um dos modelos, é conhecido, e foi calculado pelo método das Diferenças Finitas (Nunes, 2009).

Na última coluna pode-se analisar o tempo, em segundos, que os programas demoraram a executar.

Parâmetros Strike Preço Exacto Preço Desvio Padrão Erro

Percentual Tempo (s) 80 0,162 0,2189 0,0016 35,1235 22,7606 r = 7% 90 1,297 1,3848 0,0044 6,7695 26,9764 q = 3% 100 4,792 4,7702 0,0079 0,4549 41,0750 =0,20 110 11,215 11,071 0,0094 1,284 55,2114 120 20,025 19,9916 0,0037 0,1668 58,1857 80 2,331 2,6728 0,0079 14,6632 34,5208 r = 7% 90 5,491 5,7257 0,0119 4,2743 35,9833 q = 3% 100 10,262 10,2171 0,0157 0,4375 45,2023 =0,40 110 16,474 16,1036 0,0187 2,2484 49,7011 120 23,843 23,3263 0,0204 2,1671 56,6344 80 0,852 1,0307 0,0042 20,9742 30,4511 r = 7% 90 2,969 3,1004 0,0077 4,4257 32,5420 q = 0% 100 7,060 6,9903 0,0113 0,9873 43,0381 =0,30 110 13,175 12,9309 0,0137 1,8528 55,2060 120 20,992 20,6924 0,013 1,4272 57,5519 80 1,419 1,649 0,0058 16,2086 27,7257 r = 3% 90 4,311 4,4448 0,099 3,1037 44,0092 q = 7% 100 9,254 9,1488 0,0142 1,1368 43,2973 =0,30 110 15,980 15,5514 0,0175 2,6821 49,8860 120 23,978 23,3945 0,02 2,4335 52,7626

Tabela 7.1: Preços de Opções Americanas para o processo GBM e com ; ; e

Face aos resultados obtidos pode-se concluir que os valores estimados são razoáveis, mas não muito bons, principalmente quando o strike é igual a 80.

Consegue-se verificar, que à medida que a opção vai ficando mais in-the-money, ou seja, à medida que o activo subjacente toma valores cada vez menores comparativamente ao strike, o erro é inferior, havendo uma maior aproximação ao preço da opção pretendido. O que é coerente com o facto de se tratar de opções de venda.

(41)

29

Como se pode analisar os valores obtidos não são muito satisfatórios, como tal efectuaram-se novos testes para a primeira opção, onde se aumentou o número de simulações.

Assim, a tabela 7.2 tem os resultados obtidos para 1.000.000 de simulações, com a diminuição do número de monitorizações para 100, para ser possível executar o programa.

A tabela 7.3 tem os resultados obtidos para 800.000 de simulações, com o número de monitorizações de 180.

Parâmetros Strike Preço

Exacto Preço Desvio Padrão

Erro Percentual Tempo (s) 80 0,162 0,2198 0,0011 35,679 32,8411 r = 7% 90 1,297 1,3828 0,0031 6,6153 29,0394 q = 3% 100 4,792 4,7652 0,0056 0,5593 43,2482 =0,20 110 11,215 11,0649 0,0068 1,3384 58,4316 120 20,025 19,9832 0,003 0,2087 63,3169

Tabela 7.2: Preços de Opções Americanas para o processo GBM e com ; ; e

Parâmetros Strike Preço

Exacto Preço Desvio Padrão

Erro Percentual Tempo (s) 80 0,162 0,2208 0,0013 36,2963 48,6013 r = 7% 90 1,297 1,3768 0,0034 6,1527 48,7238 q = 3% 100 4,792 4,7623 0,0062 0,6198 66,0431 =0,20 110 11,215 11,0483 0,0074 1,4864 86,3606 120 20,025 19,9877 0,0029 0,1863 96,9366

Tabela 7.3: Preços de Opções Americanas para o processo GBM e com ; ; e

Conclui-se que não são significativas as alterações efectuadas a nível das simulações, uma vez que não existem melhorias nos valores estimados para os preços da opção. Para obter uma estimativa com um erro aceitável teria, então, que se aumentar significativamente o número de simulações, que conduz a uma menor eficiência computacional, uma vez que é requerido um maior esforço de memória e o processo é muito moroso.

(42)

30

Num segundo exemplo, cujos resultados estão apresentados na tabela 7.4, os parâmetros considerados são os mesmos dos anteriormente mencionados, mas neste caso, foram usadas na regressão do LSM, as funções básicas representadas pelas equações em (6.3), ou seja, os polinómios de Laguerre.

Parâmetros Strike Preço Exacto Preço Desvio Padrão Erro

Percentual Tempo (s) 80 0,162 0,205 0,0013 26,5432 24,8185 r = 7% 90 1,297 1,2533 0,0034 3,3693 30,3917 q = 3% 100 4,792 4,1032 0,0051 14,374 45,9972 =0,20 110 11,215 10,4499 0,0045 6,8221 62,6470 120 20,025 19,9767 0,005 0,2412 67,5429 80 2,331 2,4074 0,0137 3,2776 18,0050 r = 7% 90 5,491 5,0253 0,0193 8,4812 14,8991 q = 3% 100 10,262 8,7713 0,0229 14,5264 17,1976 =0,40 110 16,474 13,8039 0,0223 16,208 18,8071 120 23,843 21,3785 0,0213 10,3364 21,8749 80 0,852 0,958 0,0077 12,4413 9,1865 r = 7% 90 2,969 2,804 0,0131 5,5574 12,4359 q = 0% 100 7,060 6,0908 0,0168 13,728 15,3495 =0,30 110 13,175 11,5084 0,0152 12,6497 15,0716 120 20,992 20,3043 0,0154 3,276 14,7936 80 1,419 1,4346 0,0095 1,0994 12,1604 r = 3% 90 4,311 3,8101 0,0154 11,6191 11,6092 q = 7% 100 9,254 7,5778 0,019 18,1132 25,2852 =0,30 110 15,980 12,89 0,00183 19,3367 17,2819 120 23,978 21,0783 0,0178 12,0932 17,3649

Tabela 7.4: Preços de Opções Americanas para o processo GBM e com ; ; e

Pela observação dos resultados da tabela 7.4, e comparando-se os valores do erro percentual da tabela 7.1, pode-se concluir que apesar de, nalgumas situações (5), as aproximações melhorarem, as restantes apresentam um resultado pior (Tabela 7.1).

(43)

31

7.2. Modelo CEV

Analisam-se, agora, os resultados obtidos através da execução do algoritmo, em MatLab, que espelha o método LSM analisado anteriormente, para o modelo CEV.

A tabela 7.5 apresenta os resultados relativos aos preços de diferentes opções americanas de venda (put) onde foram considerados os seguintes parâmetros comuns:

 O preço Spot : = 100;

 A maturidade da opção: = 0,5 anos; 

Na 1ª coluna estão identificados os valores da taxa de juro, da dividend yield e de , parâmetro obtido através da equação (4.5), para cada uma das opções.

Também, para este exemplo foram consideradas monitorizações diárias, ou seja, n = 180 e consideram-se 500.000 simulações.

Na última coluna pode-se analisar o tempo, em segundos, que os programas demoraram a executar.

(44)

32

Parâmetros Strike Preço Exacto Preço Desvio Padrão Erro

Percentual Tempo (s) 80 0,162 0,2185 0,0014 34,8765 26,2127 r = 7% 90 1,297 1,3792 0,004 6,3377 30,3769 q = 3% 100 4,792 4,7564 0,0072 0,7429 47,2817 δ = 0,02 110 11,215 11,0677 0,0086 1,3134 60,6099 120 20,025 19,9948 0,0038 0,1508 69,4390 80 2,331 2,6848 0,0178 15,178 13,2455 r = 7% 90 5,491 5,7260 0,0269 4,2797 10,5714 q = 3% 100 10,262 10,2136 0,035 0,4716 14,2074 δ = 0,04 110 16,474 16,1795 0,0424 1,7877 24,9429 120 23,843 23,2778 0,0456 2,3705 18,3896 80 0,852 1,0360 0,0097 21,5962 9,4756 r = 7% 90 2,969 3,1237 0,0173 5,2105 10,0223 q = 0% 100 7,060 7,0147 0,0254 0,6416 13,0554 δ = 0,03 110 13,175 12,8701 0,0304 2,3142 12,9218 120 20,992 20,6920 0,0293 1,4291 12,5663 80 1,419 1,6699 0,0131 17,6815 10,2419 r = 3% 90 4,311 4,4301 0,0224 2,7627 11,0981 q = 7% 100 9,254 9,1315 0,0223 1,3238 13,6052 δ = 0,03 110 15,98 15,5983 0,0388 2,3886 14,6416 120 23,978 23,5054 0,0455 1,9709 11,9690

Tabela 7.5: Preço de Opções Americanas obtidos via processo CEV com ; ; e

Identicamente aos resultados obtidos no GBM, também no modelo CEV os valores estimados são razoáveis, mas não muito bons.

(45)

33

7.3. Modelo JDCEV

Analisam-se, agora, os resultados obtidos através da execução do algoritmo, em MatLab, que espelha o método LSM analisado anteriormente, para o modelo JDCEV. A tabela 7.6 apresenta os resultados relativos aos preços de diferentes opções americanas de venda (put) onde foram considerados os seguintes parâmetros comuns:

 O preço Spot : = 100;

 A maturidade da opção: = 5 anos;  ;

 ;   .

Na 1ª coluna estão identificados os valores da taxa de juro, da dividend yield e de , para cada uma das opções.

A segunda coluna apresenta os diferentes strikes em estudo.

O erro obtido, tal como nos casos anteriores, foi calculado através da comparação entre os preços exacto e simulado, ou seja, foi utilizada a seguinte expressão:

Na última coluna pode-se analisar o tempo, em segundos, que os programas demoraram a executar.

Para a execução deste modelo fez-se 100.000 simulações.

(46)

34

Logo os resultados obtidos para o modelo JDCEV são:

Parametros Strike Preço Exacto Preço Desvio Padrão Erro Tempo (s)

80 13,702 78,1963 0,0095 470,6926 27,0929 r = 7% 90 16,992 87,9767 0,0105 417,75365 28,8393 q = 3% 100 21,527 97,7530 0,0116 354,09486 27,3739 = 2 110 27,953 107,5236 0,0129 284,65853 26,7104 120 36,927 117,2792 0,014 217,59742 29,4778 80 34,215 78,8598 0,0060 130,48312 39,1212 r = 7% 90 40,528 88,7121 0,0068 118,89089 32,2967 q = 3% 100 47,638 98,5654 0,0075 106,90499 35,0586 = 4 110 55,668 108,4235 0,0083 94,768089 28,6558 120 64,726 118,2838 0,0091 82,745419 31,9524 80 21,678 79,5440 0,0024 266,93422 29,9220 r = 7% 90 26,2 89,4893 0,0027 241,56221 27,9369 q = 0 100 31,746 99,4283 0,003 213,19946 22,9247 = 3 110 38,652 109,3781 0,0033 182,98173 28,2127 120 47,17 119,3253 0,0035 152,96862 24,0231 80 32,027 79,8055 0,0010 149,18194 27,4595 r = 3% 90 38,469 89,7816 0,0012 133,38688 24,1615 q = 7% 100 45,654 99,7579 0,0013 118,50856 26,6054 = 3 110 53,612 109,7327 0,0014 104,67936 28,1977 120 62,37 119,7061 0,0015 91,928972 23,4613

Tabela 7.6: Preço de Opções Americanas obtidos via processo JDCEV com ; ; e

De todos os modelos, este é o que apresenta piores aproximações ao valor exacto das opções. Verifica-se que os valores aproximam-se consideravelmente do valor do Strike.

Uma das situações observadas, nos testes, é que quando se aumenta o número de monitorizações (time-steps) do preço do activo, o que implica que tende para zero, o valor estimado vai-se aproximando do valor do strike considerado.

Tal facto dá-se devido aos elevados casos em que se verificam os jump para zero, o que provoca que a matriz dos preços simulados via método de Monte Carlo, tenha as últimas colunas iguais a zero, conforme se pode verificar do quadro seguinte, com :

(47)

35 = 100 110,4948 95,4281 88,6372 83,2870 90,7760 103,3621 104,5978 128,5912 157,6484 100 77,0711 88,2347 81,2899 73,2530 0,0000 0,0000 0,0000 0,0000 0,0000 100 137,0134 162,8314 181,3609 226,1536 0,0000 0,0000 0,0000 0,0000 0,0000 100 94,0525 105,4702 93,3430 84,8300 91,0130 107,3079 103,6097 111,8401 0,0000 100 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 100 105,3716 140,4530 134,2006 152,1229 0,0000 0,0000 0,0000 0,0000 0,0000 100 104,9263 118,3252 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 100 88,1796 115,2246 101,5874 89,6706 104,3288 0,0000 0,0000 0,0000 0,0000 100 109,2347 115,2781 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 100 88,2914 61,9057 53,0382 58,2144 0,0000 0,0000 0,0000 0,0000 0,0000

Assim, quando se faz o apuramento das trajectórias in-the-money, calculando-se o preço da opção: , e sendo na sua maioria , obviamente que , explicando assim a aproximação do preço simulado ao valor do Strike.

Em conclusão, os resultados obtidos foram satisfatórios, principalmente em relação aos dois primeiros modelos, mas podem ser melhorados, nomeadamente aumentando consideravelmente o n.º de simulações.

Para melhorar o algoritmo LSM de Monte Carlo pode-se, também, utilizar outras aproximações para as EDE dos modelos CEV e JDCEV, e para o processo doubly stochastic Poisson.

Pode ainda ser usada a técnica das variáveis antitéticas como método de redução da variância.

Em relação ao Modelo JDCEV, uma análise mais profunda pode permitir uma futura linha de investigação, uma vez que os resultados obtidos até ao momento não vão ao encontro das conclusões pretendidas.

(48)
(49)

37

Anexo 1 – Exemplo do Algoritmo LSM

Exemplo da Aplicação do Algoritmo de Longstaff e Schwartz

Neste anexo, irá descrever-se o exemplo prático do algoritmo de Longstaff e Schwartz (2001).

Em cada instante terá que se comparar o valor do exercício imediato com o valor esperado caso se opte por continuar para o instante seguinte.

Considere-se uma opção americana de venda (put), avaliada em três períodos: , com os seguintes dados (Longstaff & Schwartz, 2001):

 Taxa Juro sem risco: ;  Dividend-Yield: ;

 Preço Exercicio (Strike): ;  Valor inicial da Acção:

De seguida, representa-se a matriz de preços da Acção:

Preços da Acção Caminho 1 1,00 1,09 1,08 1,34 2 1,00 1,16 1,26 1,54 3 1,00 1,22 1,07 1,03 4 1,00 0,93 0,97 0,92 5 1,00 1,11 1,56 1,52 6 1,00 0,76 0,77 0,90 7 1,00 0,92 0,84 1,01 8 1,00 0,88 1,22 1,34

A matriz seguinte tem a informação dos cash flows em , onde o detentor da opção seguiu uma estratégia óptima, desde que não a exerça antes da data de maturidade .

(50)

38

.

Vindo, portanto:

Matriz de Cash Flows

Caminho in-the-money in-the-money

1 0,01 0,02 0,00 1 1 2 0,00 0,00 0,00 0 0 3 0,00 0,03 0,07 1 0 4 0,17 0,13 0,18 1 1 5 0,00 0,00 0,00 0 0 6 0,34 0,33 0,20 1 1 7 0,18 0,26 0,09 1 1 8 0,22 0,00 0,00 0 1

Se a opção se encontrar in-the-money em , o detentor deve, então, decidir se deve exercer imediatamente a opção, ou continuar até ao instante seguinte.

De acordo com a matriz de preços, só existem cinco caminhos em que a opção se encontrará in-the-money em .

Seja o preço da acção em, , para os cinco caminhos in-the-money, e o Cash flow descontado correspondente obtido em , ou seja :

Regressão em t=2 Caminho Y X 1 0,00 1,08 2 3 0,07 1,07 4 0,17 0,97 5 6 0,19 0,77 7 0,08 0,84 8

Para estimar o valor de continuação da opção, em , vai-se utilizar uma regressão quadrática, obtendo-se o valor esperado de continuação:

(51)

39 .

Esta função será comparada com o valor imediato de exercício (em ).

Analisando o seguinte quadro, pode-se verificar que, para , os melhores caminhos para exercer a opção, são os caminhos 4, 6 e 7.

Tempo óptimo para exercicio em t=2

Caminho

Continuar Exercer Exercer?

1 1,08 0,03696 0,02 0 0,00 2 3 1,07 0,04611 0,03 0 0,00 4 0,97 0,11766 0,13 1 0,13 5 6 0,77 0,15198 0,33 1 0,33 7 0,84 0,15647 0,26 1 0,26 8

A decisão do tempo óptimo de exercício é se o valor de continuação, , for menor ou igual ao valor com , então a estratégia óptima é exercer em .

Actualizam-se, agora, os Cash Flows no instante seguinte a , isto é, em . Pois em , os Cash Flows passam a zero caso a opção tenha sido exercida em . Pois, obviamente, uma vez que a opção já foi exercida, os Cash Flows seguintes já não fazem sentido.

A matriz de Cash Flows passa, então, a ser: Caminho t=1 t=2 t=3 1 0,00 0,00 2 0,00 0,00 3 0,00 0,07 4 0,13 0,00 5 0,00 0,00 6 0,33 0,00 7 0,26 0,00 8 0,00 0,00

(52)

40

Procede-se de igual forma para analisar se a opção pode ser exercida em . Conforme se pode verificar na matriz de preços, tal como em , também em , só existem cinco caminhos em que a opção se encontrará in-the-money.

Defina-se agora como o preço da acção em para os cinco caminhos in-the-money, e o correspondente Cash flow descontinuado obtido em , ou seja, : Regressão em t=1 Caminho Y X 1 0,00 1,09 2 3 4 0,12 0,93 5 6 0,31 0,76 7 0,24 0,92 8 0,00 0,88

Para estimar o valor de continuação em da opção, utiliza-se, também, a regressão quadrática, obtendo-se a seguinte expressão para o valor esperado de continuação: .

Esta função será comparada com o valor imediato de exercício (em ).

Analisando, agora, o seguinte quadro, pode-se verificar que, para , os melhores caminhos para exercer a opção, são os caminhos 4, 6, 7 e 8.

Tempo óptimo para exercicio em t=1

Caminho

Continuar Exercer Exercer?

1 1,09 0,01391 0,01 0 0,00 2 3 4 0,93 0,10925 0,17 1 0,17 5 6 0,76 0,28663 0,34 1 0,34 7 0,92 0,11752 0,18 1 0,18 8 0,88 0,15329 0,22 1 0,22

(53)

41

Actualizam-se, agora, os Cash Flows no instante seguinte a , isto é, em . Pois, em os Cash Flows passam a zero caso a opção tenha sido exercida em . Pois, obviamente, uma vez que a opção já foi exercida, os Cash Flows seguintes já não fazem sentido.

A matriz de Cash Flows passa, então, a ser:

Caminho 1 0,00 0,00 0,00 2 0,00 0,00 0,00 3 0,00 0,00 0,07 4 0,17 0,00 0,00 5 0,00 0,00 0,00 6 0,34 0,00 0,00 7 0,18 0,00 0,00 8 0,22 0,00 0,00

Identificou-se, assim, as estratégias de exercício em , e . O quadro seguinte representa a matriz com a regra de paragem para exercer a opção. Regra de paragem Caminho 1 0 0 0 2 0 0 0 3 0 0 1 4 1 0 0 5 0 0 0 6 1 0 0 7 1 0 0 8 1 0 0

(54)

42

O valor da opção em , é calculado da seguinte forma:

Caminho 1 0,00 0,00 0,00 2 0,00 0,00 0,00 3 0,00 0,00 0,07 4 0,17 0,00 0,00 5 0,00 0,00 0,00 6 0,34 0,00 0,00 7 0,18 0,00 0,00 8 0,22 0,00 0,00 Soma 0,91 0,00 0,07 Factor Desconto 0,941765 0,8869204 0,8352702 Valor Actual 0,915475 Preço da Put (Valor Actual / 8) 0,114434

(55)

43

Anexo 2 – Implementação do algoritmo para o

GBM

Apresenta-se agora o programa em MatLab para o Geometric Brownian Motion com regressão quadrática:

clc clear %Inputs

tic

S0=100; % Preço Inicial do Activo K=input('Strike = '); % Preço de Exercício(Strike) r=input('Taxa de Juro = '); % Taxa de juro sem risco d=input('Dividend Yield = '); % Dividend Yield

v=input('Volatilidade = '); % Volatilidade

T=0.5; % Maturidade da Opção b=100000; % N.º Simulações

N=180; % N.º de períodos em que o preço do activo é observado

m=N-1; % N.º de possíveis tempos de paragem dt=T/m; % Intervalo dos períodos observados %%%%%%%%%%%Simulação de Monte Carlo dos preços Stock

dw=sqrt(dt)*randn(b,m); %Brownian Motion H=exp((r-d-0.5*v^2)*dt+v*dw);

clear dw

S=cumprod([S0*ones(b,1),H],2); %Simulação do Preço do Activo clear H

%%%%%%%%%%%%%%% Algoritmo

Vij=[zeros(b,m), max(K-S(:,N),0)]; % Matriz Inicial de Cash Flows

for ti=m:-1:2

PM=find(K-S(:,ti)>0); % Apura as trajectórias que se %encontram in-the-money

Sij=S(PM,ti); % Preço do activo na trajectória j %in-the-money no tempo ti

Y=(exp(-r*dt).*Vij(PM,ti+1)); % Matriz de Cash Flows (in-the- money)

%descontado de ti+1 a ti

sizePM=length(PM); % Fornece o n.º de trajectórias %in-the-money

SP=[ones(sizePM,1),Sij,Sij.^2]; % Funções básicas usadas para estimar a função esperança condicionada

(56)

44

Betai=SP\Y; % Coeficientes do Método Mínimos %Quadrados

Ci=SP*Betai; % Valor Estimado de Continuação

Ex=max(K-Sij,0)>Ci; % Apura as trajectórias onde é %óptimo exercer a opção em ti clear Sij

Vij(PM(Ex),ti)=(K-S(PM(Ex),ti)); % Substitui os zeros da matriz de Cash Flows em ti com CF onde é Óptimo exercer a opção em ti

NEx=setdiff((1:b),PM(Ex))'; % Apura as trajectórias onde não é %óptimo exercer a opção m ti

clear PM

Vij(NEx,ti)=exp(-r*dt).*Vij(NEx,ti+1); % Valor dos Cash Flows onde Não é óptimo exercer descontados de ti+1 a ti

end

V0=exp(-r*dt)*mean(Vij(:,2)) % Valor da Opção sd=std(Vij(:,2))/sqrt(b) % Desvio Padrão toc

Time=toc

Apresenta-se agora o programa em MatLab para o Geometric Brownian Motion com os polinómios de Laguerre como funções básicas da regressão:

clc clear

%%%%%%%%% Inputs

tic

S0=100; % Preço Inicial do Activo

K=input('Strike = '); % Preço de Exercício(Strike)

r=input('Taxa de Juro = '); % Taxa de juro sem risco d=input('Dividend Yield = '); % Dividend Yield

v=input('Volatilidade = '); % Volatilidade T=0.5; % Maturidade da Opção

b=100000; % N.º Simulações

N=180; % N.º de períodos em que o preço do activo é observado

m=N-1; % N.º de possíveis tempos de paragem dt=T/m; % Intervalo dos períodos observados

(57)

45

%%%%%%% Simulação de Monte Carlo dos preços Stock

dw=sqrt(dt)*randn(b,m); %Brownian Motion H=exp((r-d-0.5*v^2)*dt+v*dw);

clear dw

S=cumprod([S0*ones(b,1),H],2); %Simulação do Preço do Activo clear H

%%%%%%%%%%%% Algoritmo

Vij=[zeros(b,m), max(K-S(:,N),0)]; % Matriz Inicial de Cash Flows

for ti=m:-1:2

PM=find(K-S(:,ti)>0); % Apura as trajectórias que se %encontram in-the-money Sij=S(PM,ti); % Preço do activo na

trajectória j

%in-the-money no tempo ti Y=(exp(-r*dt).*Vij(PM,ti+1)); % Matriz de Cash Flows (in- the-money) %descontado de ti+1 a ti sizePM=length(PM); % Fornece o n.º de trajectórias in-the-money L0=exp(-Sij/2); % Polinómios de L1=exp(-Sij/2).*(1-Sij); % Laguerre L2=exp(-Sij/2).*(1-2*Sij+(Sij.^2)/2);

SP=[ones(sizePM,1),L0,L1,L2]; % Funções básicas usadas para estimar a função esperança condicionada

Betai=SP\Y; % Coeficientes do Método Mínimos Quadrados

Ci=SP*Betai; % Valor Estimado de Continuação

Ex=max(K-Sij,0)>Ci; % Apura as trajectórias onde é %óptimo exercer a opção em ti clear Sij

Vij(PM(Ex),ti)=(K-S(PM(Ex),ti)); % Substitui os zeros da matriz de Cash Flows em ti com CF onde é óptimo exercer a opção em ti

NEx=setdiff((1:b),PM(Ex))'; % Apura as trajectórias onde não %é óptimo exercer a opção m ti clear PM

Vij(NEx,ti)=exp(-r*dt).*Vij(NEx,ti+1); % Valor dos Cash Flows onde %não é óptimo exercer, descontados de ti+1 a ti end

V0=exp(-r*dt)*mean(Vij(:,2)) % Valor da Opção sd=std(Vij(:,2))/sqrt(b) % Desvio Padrão toc

(58)
(59)

47

Anexo 3 – Implementação do algorimtmo para o

modelo CEV

Apresenta-se agora o programa em MatLab para o modelo CEV:

clc clear

%%%%%%%%% Inputs

tic

X0=100; % Preço Inicial do Activo K=input('Strike = '); % Preço de Exercício(Strike)

r=input('Taxa de Juro = '); % Taxa de juro sem risco q=input('Dividend Yield = '); % Dividend Yield T=0.5; % Maturidade da Opção

b=200000; % N.º Simulações

N=180; % N.º de períodos em que o preço do activo é observado

beta=3; % Parâmetros do modelo CEV delta=input('Delta = ');

m=N-1; % N.º de possíveis tempos de paragem dt=T/m; % Intervalo dos períodos observados %%%%%%% Simulação de Monte Carlo dos preços Stock

dw=sqrt(dt)*randn(b,m); %Brownian Motion H=1+(r-q)*dt+delta*(X0^((beta-2)/2))*dw;

clear dw

X=cumprod([X0*ones(b,1),H],2); %Simulação do Preço do Activo

clear H

%%%%%%%%%%%% Algoritmo

Vij=[zeros(b,m), max(K-X(:,N),0)];

for ti=m:-1:2

PM=find(K-X(:,ti)>0); % Apura as trajectórias que se %encontram in-the-money

Xij=X(PM,ti); % Preço do activo na trajectória j %in-the-money no tempo ti

Y=(exp(-r*dt).*Vij(PM,ti+1)); % Matriz de Cash Flows (in-the- money)descontado de ti+1 a ti

sizePM=length(PM); % Fornece o n.º de trajectórias in-the-money

XP=[ones(sizePM,1),Xij,Xij.^2]; % Funções básicas usadas para estimar %a função esperança condicionada

(60)

48

Betai=XP\Y; % Coeficientes do Método Mínimos Quadrados

Ci=XP*Betai; % Valor Estimado de Continuação

Ex=max(K-Xij,0)>Ci; % Apura as trajectórias onde é %óptimo exercer a opção em ti clear Sij

Vij(PM(Ex),ti)=(K-X(PM(Ex),ti)); % Substitui os zeros da matriz de Cash Flows em ti com CF onde é Óptimo exercer a opção em ti

NEx=setdiff((1:b),PM(Ex))'; % Apura as trajectórias onde não %é óptimo exercer a opção m ti clear PM

Vij(NEx,ti)=exp(-r*dt).*Vij(NEx,ti+1); % Valor dos Cash Flows onde %não é óptimo exercer descontados de ti+1 a ti

end

V0=exp(-r*dt)*mean(Vij(:,2)) % Valor da Opção sd=std(Vij(:,2))/sqrt(b) % Desvio padrão toc

(61)

49

Anexo 4 – Implementação do algorimtmo para o

modelo JDCEV

Apresenta-se agora o programa em MatLab para o modelo JDCEV:

clc clear %Inputs

tic

S0=100; % Preço Inicial do Activo K=input('Strike = '); % Preço de Exercício(Strike) r=input('Taxa de Juro = '); % Taxa de juro sem risco q=input('Dividend Yield = '); % Dividend Yield

T=5; % Maturidade da Opção b=10000; % N.º Simulações

N=1825; % N.º de períodos em que o preço do activo é observado

beta=-0.5; % Parâmetros do modelo JDCEV delta=0.02;

alfa=input('Alpha = '); %alpha = 'a' bi=0.02;

c=0.5;

m=N-1; % N.º de possíveis tempos de paragem dt=T/m; % Intervalo dos períodos observados dt=T/m;

%Simulação de Monte Carlo dos preços Stock

dw=sqrt(dt)*randn(b,m); %Brownian Motion H=1+(r-q+bi+c*(alfa^2)*(S0^(2*beta)))*dt+alfa*(S0^beta)*dw; clear dw

X=cumprod([S0*ones(b,1),H],2); %Simulação do Preço do Activo clear H

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

teta=exprnd(1,b,N); %Valores aleatórios Exponencial lambda=bi+c*(alfa^2)*(X.^(2*beta));

LD=cumsum(lambda'); %Aproximação do DSPP LD=LD'*dt;

Z=zeros(b,m);

(62)

50

for i=1:1:b %Comparação LD e teta, para analisar os jumps found = false;

for j=2:1:N

if (~found & (LD(i,j)<teta(i,j))) S(i,j)=X(i,j); else found = true; S(i,j)=0; end end end

S; %Simulação final do Preço do Activo clear teta

clear LD clear Z clear lambda % Algoritmo

Vij=[zeros(b,m), max(K-S(:,N),0)]; % Matriz Inicial de Cash Flows

for ti=m:-1:2

PM=find(K-S(:,ti)>0); % Apura as trajectórias que se %encontram in-the-money

Sij=S(PM,ti); % Preço do activo na trajectória j %in-the-money no tempo ti

Y=(exp(-r*dt).*Vij(PM,ti+1)); % Matriz de Cash Flows (in-the- money)descontado de ti+1 a ti

sizePM=length(PM); % Fornece o n.º de trajectórias in-the-money

SP=[ones(sizePM,1),Sij,Sij.^2]; % Funções básicas usadas para estimar a função esperança condicionada

Betai=SP\Y; % Coeficientes do Método Minimos Quadrados

Ci=SP*Betai; % Valor Estimado de Continuação Ex=max(K-Sij,0)>Ci; % Apura as trajectórias onde é %óptimo exercer a opção em ti

Vij(PM(Ex),ti)=(K-S(PM(Ex),ti)); % Substitui os zeros da matriz de Cash Flows em ti com CF onde é óptimo exercer a opção em ti

NEx=setdiff((1:b),PM(Ex))'; % Apura as trajectórias onde não %é óptimo exercer a opção m ti

Vij(NEx,ti)=exp(-r*dt).*Vij(NEx,ti+1); % Valor dos Cash Flows onde %não é óptimo exercer descontados de ti+1 a ti

end

V0=exp(-r*dt)*mean(Vij(:,2)) % Valor da Opção sd=std(Vij(:,2))/sqrt(b) % Desvio padrão toc

(63)

51

Bibliografia

AitSahlia, F., & Carr, P. American Options: A comparison of Numerical Methods. Bouzas, P., Valderrama, M., Aguilera, A., & Ruiz-Fuentes, N. (2005). Modelling the mean of a doubly stochastic Poisson process by functional data analysis.

Computational Statistics & Data Analysis , pp. 2655-2667.

Carr, P., & Linetsky, V. (2006). A Jump to Default Extended CEV Model: An Application of Bessel Processes. Finance and Stochastics .

Choudhury, A. R., King, A., Kumar, S., & Sabhawal, Y. (Outubro de 2007). Optimizations in Financial Engineering: The Least-Square Monte Carlo method of Longstaff and Schwartz.

Glasserman, P. (2004). Monte Carlo Methods in Financial Engineering. Springer. Hull, J. C. (2002). Options, Futures and other Derivatives (5th Edition). Prentice Hall.

Jia, Q. (Junho de 2009). Pricing American Options using Monte Carlo Methods. Longstaff, F., & Schwartz, E. (2001). Valuing American Options by simulation: a Simple Least Square Approach. Revue of Financial Studies 14 , pp. 113-147,. Nunes, J. P. (2009). Pricing American Options under the Constant Elasticity of Variance Model and Subject to Bankruptcy. Journal of Finance and Quantitative Analysis , pp. 1231-1263.

Imagem

Tabela 7.1: Preços de Opções Americanas para o processo GBM e com        ;        ;             e
Tabela 7.3: Preços de Opções Americanas para o processo GBM e com        ;        ;             e
Tabela 7.4: Preços de Opções Americanas para o processo GBM e com        ;        ;             e
Tabela 7.5: Preço de Opções Americanas obtidos via processo CEV com        ;        ;             e
+2

Referências

Documentos relacionados

Ainda para os permanentes urbanos merecem destaque: o aumento da participação dos empregados com até quatro anos de estudo e dos empregados com oito anos ou mais de estudo, que

OctacílioMacêdo bien como opiniones de otros famosos periodistas dieron un enriquecimiento mayor al estudio.Está organizado en seis partes y en algunas de las muchas

Sendo assim, percebemos que essa prática da contação de histórias na sala de aula, quando é bem trabalhada e previamente planejada, levando em conta todos os aspectos para

● normalmente (mas não necessariamente) realizada por caçadores estrangeiros à zona (muitas vezes provenientes de países diferentes daquele onde se caça). Estes elementos

6627, Unidade Administrativa II, 3º andar, Campus Pampulha da UFMG, em Belo Horizonte-MG (acesso pela Av. b) Via SEDEX ou AR, postado nas Agências dos Correios, com custo por conta

La versión CT-LT-PG está tambíen para la alineación completa del vehículo (CT) y está provista de elevador auxiliar liberador de ruedas (LT).. ❏ CT-LT

ajustado para “AUTO”, se a pressão de água do sistema estiver abaixo da pressão do ponto de ajuste do interruptor, a bomba ligará.. Se o temporizador do período de

além de ter se consolidado como maior autoridade fashion do país e aumentado significativamente sua gama de leitores, a revista se tornou ao longo desta década um título da mais